Дипломный проект

1. Подготовка данных для анализа

В датасете присутствуют аномальные значения в столбце с возрастом, а именно отрицательные значения. Также есть отрицательные значения среднемесячного баланса на счетах клиента. Аномальные значения удалим из датасета. В столбце deposittype заменим значение NA на no deposit. Объединим датасет с данными по маркетинговой кампании с информацией по тарифам депозитов.

bank_full_clean <- filter(bank_full, age > 0, balance > 0) #Фильтруем датасет

# Замена NA на 'no deposit' в столбце deposittype
for (i in 1:nrow(bank_full_clean)) {
  x <- 'no deposit'
  bank_full_clean[i,19] <- ifelse(is.na(bank_full_clean[i,19]), x, bank_full_clean[i,19])
}

# Объединить датасет с данными по маркетинговой кампании с информацией по тарифам депозитов.
bank_and_deposits <- left_join(bank_full_clean, deposits_tariff, by = 'deposittype')

2. Визуальный анализ данных результатов маркетинговой компании

На графике видно, что большая часть клиентов не взяли депозит в результате маркетинговой компании. Но явно утверждать об эффективность маркетинговой компании мы не можем, т.к. не знаем плановое количество выданных депозитов.Возможно это и неплохой результат.

# При помощи группировки посмотрим по каждому типу депозитов сколько выдано депозитов
result_marketing_percent <- bank_and_deposits %>% select(deposittype) %>% group_by(deposittype) %>% 
  summarise(count = n()) %>% mutate(percent = round((count / 45203) * 100, 1))

# Посмотрим результат на графике
ggplotly(ggplot(data = result_marketing_percent, mapping = aes(x = deposittype , y = count)) + geom_col() +
           xlab("Тип депозита") + ylab("Количество выданных депозитов") +
           theme_light())

3. Эффективность маркетинговой компании

В результате маркетинговой компании можно сделать вывод, что:

• в среднем требуется совершить 2 звонка(ов) длительностью около 9 минут(ы), чтобы клиент взял продукт;
• в случае отказа клиента было совершено в среднем 3 звонка(ов) длительностью около 4 минут(ы).

Более длительные и нечастые коммуникации - более успешны.

4. Портрет клиента

Составлен портрет клиента, который взял депозит:

• Возраст: 32 лет;
• Семейное положени: married;
• Профессия: management
• Образование: secondary

5. Влияние наличия тех или иных продуктов на решение клиента взять депозит

Для анализа выберем следующий показатели:

• наличие кредита с просроченной задолженностью (default);
• наличие ипотеки (housing);
• наличие потребительского кредита (loan);
• наличие зарплатного проекта (salary)

Подготовим датасет для данного анализа. Выберем необходимые переменные и преобразуем бинарные переменные в чиловые. Нормализовать данные не требуется, т.к. значения только 1 и 0.

Из корреляционной матрицы видим низкую зависисмоть между наличием продуктов и решением клиента взять депозит.